(Otra) introducción a `tidyverse`... pero con datos copados. Parte 1.

08 Mar 2019

Introducción

La idea de esta serie es poder introducir algunos conceptos básicos del llamado tidyverse en R. Vamos a tratar de hacernos amigos de algunos algunos de los verbos que vimos hace un rato y que nos van a hacer la vida más fácil en la manipulación de datos. Particularmente, en este post, vamos a trabajar un poquito sobre una instrucción importante filter() y a dar algunas intuiciones sobre la visualización de datos en ggplot2

PASO 1. Cargar las librerías a utilizar

Lo primero que tenemos que hacer, siempre, en una sesión de R es cargar o importar las librerías que vamos a utilizar.

    library(tidyverse)
    library(sf)
    library(gdalUtils)

PASO 2. Importando los datos

El (obvio) siguiente paso es importar los datos que vamos a utilizar. En este caso, vamos a tratar de hacer un análisis exploratorio de un dataset sobre la distribución de delitos en la Ciudad Autónoma de Buenos Aires. Se trata de un dataset no oficial generado por el dueño de este repositorio. Si bien son datos “no oficiales” están extraidos de una fuente oficial: el Mapa del Delito generado por el GCBA.

Primero, importamos el gran archivo en formato .csv que contiene en cada fila un delito reportado y una serie de atributos asociados.

    delitos <- read.csv("../data/delitos.csv")
    head(delitos)

    ##       id    comuna           barrio  latitud longitud      fecha     hora
    ## 1  68400  Comuna 3        BALVANERA -34.6141 -58.4117 2016-10-31 01:00:00
    ## 2  68401  Comuna 7           FLORES -34.6509 -58.4547 2016-10-31 02:30:00
    ## 3  68402  Comuna 4    NUEVA POMPEYA -34.6499 -58.4053 2016-10-31 04:00:00
    ## 4  68492 Comuna 13         BELGRANO -34.5615 -58.4557 2016-10-31 02:58:00
    ## 5 132437  Comuna 9          LINIERS -34.6524 -58.5193 2016-10-31 21:00:00
    ## 6 132469 Comuna 11 VILLA SANTA RITA -34.6218 -58.4833 2016-10-31 08:00:00
    ##          uso_arma uso_moto lugar origen_dato           tipo_delito
    ## 1 SIN USO DE ARMA SIN MOTO    NA          NA      Homicidio Doloso
    ## 2 SIN USO DE ARMA SIN MOTO    NA          NA      Homicidio Doloso
    ## 3 SIN USO DE ARMA SIN MOTO    NA          NA      Homicidio Doloso
    ## 4 SIN USO DE ARMA SIN MOTO    NA          NA    Homicidio Seg Vial
    ## 5 SIN USO DE ARMA SIN MOTO    NA          NA Hurto (Sin violencia)
    ## 6 SIN USO DE ARMA SIN MOTO    NA          NA Hurto (Sin violencia)
    ##   cantidad_vehiculos cantidad_victimas
    ## 1                  0                 0
    ## 2                  0                 0
    ## 3                  0                 0
    ## 4                  0                 1
    ## 5                  0                 0
    ## 6                  0                 0

Hagamos un primer gráfico rápido de este dataset a ver qué encontramos… Lo más fácil de todo sería plotear la latitud contra la longitud.

    ggplot(delitos) + 
            geom_point(aes(x=longitud, y=latitud))

acc

Ya vemos que hay algo raro… hay un puntito solitario en (lat=0, long=0). Podemos eliminarlo, entonces.

    delitos_limpios <- filter(delitos, latitud!=0 | longitud!=0)
    head(delitos_limpios)

    ##       id    comuna           barrio  latitud longitud      fecha     hora
    ## 1  68400  Comuna 3        BALVANERA -34.6141 -58.4117 2016-10-31 01:00:00
    ## 2  68401  Comuna 7           FLORES -34.6509 -58.4547 2016-10-31 02:30:00
    ## 3  68402  Comuna 4    NUEVA POMPEYA -34.6499 -58.4053 2016-10-31 04:00:00
    ## 4  68492 Comuna 13         BELGRANO -34.5615 -58.4557 2016-10-31 02:58:00
    ## 5 132437  Comuna 9          LINIERS -34.6524 -58.5193 2016-10-31 21:00:00
    ## 6 132469 Comuna 11 VILLA SANTA RITA -34.6218 -58.4833 2016-10-31 08:00:00
    ##          uso_arma uso_moto lugar origen_dato           tipo_delito
    ## 1 SIN USO DE ARMA SIN MOTO    NA          NA      Homicidio Doloso
    ## 2 SIN USO DE ARMA SIN MOTO    NA          NA      Homicidio Doloso
    ## 3 SIN USO DE ARMA SIN MOTO    NA          NA      Homicidio Doloso
    ## 4 SIN USO DE ARMA SIN MOTO    NA          NA    Homicidio Seg Vial
    ## 5 SIN USO DE ARMA SIN MOTO    NA          NA Hurto (Sin violencia)
    ## 6 SIN USO DE ARMA SIN MOTO    NA          NA Hurto (Sin violencia)
    ##   cantidad_vehiculos cantidad_victimas
    ## 1                  0                 0
    ## 2                  0                 0
    ## 3                  0                 0
    ## 4                  0                 1
    ## 5                  0                 0
    ## 6                  0                 0

Bien… ya hicimos una primera limpieza de los datos.

    ggplot(delitos_limpios) + 
            geom_point(aes(x=longitud, y=latitud))

Plot 2

¿Qué pasó hasta acá?

Acabamos de introducir una buena cantidad de código que conviene empezar a revisar para ir fijando conceptos.

Acabamos de hacer una visualización bien rápida. Teníamos una varaiable que medía la posición en el eje X (o sea la longitud) y otra que lo hacía en el eje Y (latutud). Hicimos un scatterplot de eso, usando la librería ggplot2. Hay dos pasos básicos para hacer un gráfico en ggplot:

ggplot(delitos) + => Creamos el objeto ggplot y lo “llenamos” con un dataset. En este caso, una tibble
geom_point(aes(x=longitud, y=latitud)) => agregamos una capa estética, en este caso de puntos.

Vamos a volver, pero en general, todos los gráficos de ggplot2 se construyen acumulando capas estéticas.

A su vez, encontramos ¿una? inconsistencia en la base de datos. Básicamente, uno o varios registros con coordenadas latitud==0 & longitud==0. Entonces, usamos la instrucción filter() para filtrar los casos que cumplían con esa condicion.

PASO 3. Visualizando los datos

Ya vimos un scatterplot, muy útil para plotear la distribución conjunta de dos variables cuantitativas. Sigamos con nuestro ejemplo y veamos algunos parámetros para modificar la estética del plot (que vale para cualquier geom_XXX).

Tamaño, color y forma (y una proyección)

Pongamos un color más bonito que ese negro. Y aprovechemos para hacer una aclaración. Estrictamente, estamos trabajando con variables de coordenadas geográficas. No tenemos tiempo en el curso para trabajar en detalle este tema pero digamos que son variables cuantitativas “especiales”. Cada mapa está dibujado según un sistema de coordenadas que llevan la forma “geódica” de la tierra (básicamente, algo que está en 3 dimensiones) a un plano (en 2 dimensiones).

Es decir que “deforman” la forma de la tierra para llevarla a la hoja de papel (o a la pantalla, en este caso). Si se fijan, la CABA aparece medio alargada en el mapa anterior. Esto es porque no le especificamos a ggplot en qué sistema de coordenadas está.

Para más detalles sobre sistemas de coordenadas y referencia pueden consultar Ciencia de Datos para Gente Sociable de Antonio Vázquez Brust, material (y autor) que dieron una mano grande a este curso -además de ser colega y amigo-.

Pasemos, entonces la capa coord_map('mercator')

    ggplot(delitos_limpios) + 
            geom_point(aes(x=longitud, y=latitud), color='blue') +
            coord_map("mercator")

Plot 3

Ahora se parece más al Buenos Aires de Gardel…

Bien, cambiemos el tamaño de los puntitos. El parámetro size está en pixels, por lo cual no es fácil estimarlo sin ver una versión previa del plot, primero.

    ggplot(delitos_limpios) + 
            geom_point(aes(x=longitud, y=latitud), color='red', size=0.05) +
            coord_map("mercator")

Plot 4

Y, por último, cambiemos la forma…

    ggplot(delitos_limpios) + 
            geom_point(aes(x=longitud, y=latitud), color='red', size=0.05, shape=3) +
            coord_map("mercator")

Plot 4

Facetado

Ahora, si queremos agregar más dimensiones al plot… la cosa se hace un poco más densa. Es por eso que podemos usar una nueva “capa” de ggplot, llamada facetado. La idea es que podemos tener gráficos continguos, condicioados a los valores de una variable (generalmente, categórica). Veamos, entonces, un plot por cada uno de los tipos de delitos…

    ggplot(delitos_limpios) + 
            geom_point(aes(x=longitud, y=latitud, color=tipo_delito), size=0.05, alpha=0.25) +
            facet_wrap(~tipo_delito) +
            coord_map("mercator")

Plot 6

¿Qué diferencias hay con los plots anteriores?*

Otros plots…

Veamos ahora cuáles son los tipos de delitos más comunes en la CABA.

    ggplot(delitos_limpios, aes(x=tipo_delito))+
            geom_bar(stat="count")

Plot 7

Se ve bastante bien… aunque tenemos acomodar un poco las etiquetas. Una opción es pedirle a ggplot que las abrevie:

    ggplot(delitos_limpios, aes(x=tipo_delito))+
            geom_bar(stat="count") + 
            scale_x_discrete(labels = abbreviate)

Plot 8

Otra es pasarle nosotros un vector de etiquetas:

    ggplot(delitos_limpios, aes(x=tipo_delito))+
            geom_bar(stat="count") + 
            scale_x_discrete(labels = c('H.doloso','H.seg.vial', 'Hurto(s/v)', 
                                        'Robo(c/v)', 'Robo auto', 'Hurto auto', 'Lesion.seg.vial'))

Plot 9

Histogramas

Un histograma, como hemos visto, se usa para mostrar la distribución de una variable continua. Por ejemplo, podríamos hacer un histograma de la distribución de edades de la EPH o de los ingresos. No tenemos una variable cuantitativa, vamos a inventarnos una. Pero previamente vamos a tener que introducir algunas ideas de limpieza de datos…

Pero eso viene en el próximo post…